一种基于深度学习模型的心脏疾病的检测方法技术

本发明专利技术提供一种基于深度学习模型的心脏疾病的检测方法，构建了心电向量数据和心电非线性系统动态数据的深度学习识别模型，并对不同数据的模型识别分类所得的心脏疾病结果赋以相应权重值，获得心脏疾病检测的综合判定结果；解决了心脏电活动连续的动态信号的模型处理方法及不同来源数据的模型分析等方面的技术难题。本发明专利技术所述基于深度学习模型的心脏疾病的检测方法，完成了对心电非线性系统动态数据的自动提取和智能诊断，提升了心脏疾病检测的准确率和检测效率，且随着扩充进数据库中心电非线性系统动态数据的增多，诊断效果会随之不断提升，有利于医生后期对待测人员的心脏疾病病情进行早期干预和精准治疗。

A heart disease detection method based on deep learning model

【技术实现步骤摘要】
一种基于深度学习模型的心脏疾病的检测方法
本专利技术涉及心脏疾病的检测领域，特别是涉及基于深度学习模型的心脏疾病的检测方法。
技术介绍
当前，我国社会逐渐步入老龄化的社会，饮食习惯的变化和脑力劳动者数量不断增加等因素，使得我国的心血管疾病的发病率和病死率逐年上升；因此，对于心脏疾病患者的医学筛查至关重要。然而，现有心脏疾病监测和检测手段繁琐复杂，检测成本偏高，微弱症状的早期心脏疾病筛查并不能及时有效地进行筛选。对于被检测者而言，现有的心脏疾病检测手段既浪费了患者的诊疗时间，提高了心脏疾病患者的诊断成本，又不能对患者自身的心脏疾病进行准确的识别，这严重地危害了心脏疾病患者的生命安全。因此，亟需开发一种心脏疾病检测方法，充分有效地利用现有的病理数据，改善心脏疾病监测的准确性和敏感性，帮助医生后期对待测人员的心脏疾病病情进行早期干预以及精准治疗。中国专利技术专利CN107348971A公开了一种基于心音检测和深度学习算法的心脏病筛查系统，包括信号采集模块、心音数据分析模块和数据库模块；该专利技术能够实现非入侵式的心脏病筛查，利用简单便携的心音采集器，能够解决就医时排队耗时且费用昂贵的现状。然而，对于心脏疾病的检测方法，既需要能对心脏疾病的病理数据信息的利用上进行充分挖掘，又需要在心脏电活动的动态病理特征的分析过程中能充分分析出心脏的动态病理信息，以全面地呈现复杂的心脏电活动过程。因此，有必要提供改进的技术方案以克服现有技术中存在的技术问题。
技术实现思路
本专利技术提供一种基于深度学习模型的心脏疾病的检测方法，主要用于解决提高心脏疾病检测的准确性以及对连续的心脏疾病的动态信号进行处理的问题。本专利技术通过构建心电数据、心电向量数据和心电非线性系统动态数据的深度学习模型以及权重分配等技术手段，解决现有心脏疾病检测方法的准确性低、无法分析连续的心脏疾病的动态信号等方面的技术难题，提高了心脏疾病检测的准确性和检测效率，并可分析连续的心脏疾病的动态信号，有利于医生后期对待测人员的心脏疾病病情进行早期干预和精准治疗。为了实现前述目的，本专利技术一方面提供一种基于深度学习模型的心脏疾病检测方法，包括以下步骤：步骤1、获取样本数据集，所述样本数据集包括心电非线性系统动态数据；步骤2、构建特定心脏疾病的深度学习模型；步骤3、将步骤1获取的样本数据集输入到步骤2所述特定心脏疾病的深度学习模型进行训练，获得特定心脏疾病的深度学习识别模型。可选地，在如前所述的基于深度学习模型的心脏疾病的检测方法中，步骤1所述样本数据集还包括心电向量数据；优选地，步骤1所述样本数据集还包括心电数据。可选地，在如前所述的基于深度学习模型的心脏疾病的检测方法中，步骤2中所述特定心脏疾病的深度学习识别模型包括卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。可选地，在如前所述的基于深度学习模型的心脏疾病的检测方法中，还包括步骤4：采集待测人员的心电数据、和/或心电向量数据、和/或心电非线性系统动态数据，将待测人员的心电数据、和/或心电向量数据、和/或心电非线性系统动态数据输入到步骤3中所述特定心脏疾病的深度学习识别模型，得到待测人员的心脏疾病检测结果：待测人员的心电数据的特定心脏疾病的深度学习识别模型输出结果、和/或心电向量数据的特定心脏疾病的深度学习识别模型输出结果、和/或心电非线性系统动态数据的特定心脏疾病的深度学习识别模型输出结果。可选地，在如前所述的基于深度学习模型的心脏疾病的检测方法中，步骤4所述待测人员的心脏疾病检测结果还包括：选取待测人员的心电数据的特定心脏疾病的深度学习识别模型输出结果、心电向量数据的特定心脏疾病的深度学习识别模型输出结果、和心电非线性系统动态数据的特定心脏疾病的深度学习识别模型输出结果中的至少两种用于所述特定心脏疾病检测时，需赋以适应特定心脏疾病的权重值。本专利技术另一方面提供一种基于深度学习模型的心脏疾病检测方法，包括以下步骤：步骤1.获取待测人员的心电数据、心电向量数据和心电非线性系统动态数据中的至少一种；步骤2.将步骤1得到的待测人员的心电数据、和/或心电向量数据、和/或心电非线性系统动态数据输入到特定心脏疾病的深度学习模型中；步骤3.输出待测人员的特定心脏疾病检测结果；优选地，所述特定心脏疾病的深度学习模型包括卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。本专利技术再一方面提供一种基于深度学习模型的心脏疾病检测方法，包括以下步骤：步骤S1.获取特定心脏疾病的样本数据，所述特定心脏疾病的样本数据包括心电数据、心电向量数据和心电非线性系统动态数据中的至少一种；步骤S2.对步骤S1获取的特定心脏疾病的样本数据进行深度学习，构建特定心脏疾病的深度学习识别模型；优选地，所述特定心脏疾病的深度学习识别模型选自卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。本专利技术再一方面提供一种基于深度学习模型的心脏疾病检测系统，包括：数据获取模块，所述数据获取模块用于获取待测人员的心电非线性系统动态数据、心电向量数据和心电数据中的至少一种；数据处理模块，所述数据处理模块输入的数据为所述数据获取模块所获取的数据，所述数据处理模块的处理工具为特定心脏疾病的深度学习识别模型，所述特定心脏疾病的深度学习识别模型是通过前述心脏疾病检测方法构建；疾病识别模块，所述疾病识别模块根据所述数据处理模块的处理结果来决定输出特定心脏疾病的病情信息。本专利技术再一方面提供一种心脏疾病的检测产品，所述检测产品使用了前述心脏疾病检测方法。本专利技术再一方面提供一种前述检测产品在心脏疾病检测上的应用。本专利技术所述心脏疾病的检测方法，具有以下的技术效果：1)采用深度学习的技术，完成心脏疾病病理特征的自动提取和智能诊断，具备较高的准确性，并且随着扩充进数据库中病理特征的指标数据的增多，其诊断效果会随之不断提升。2)考量的心脏疾病的动态病理信息特征更加丰富，检测的准确性等性能有了明显的提高；减少了诊断用时，并可对连续的动态信号进行处理，而非静态信号处理；有利于医生后期对待测人员的心脏疾病病情进行早期干预和精准治疗。3)诊断过程中无需专业医生的介入，普通用户可以简单方便地完成自我诊断、自我监测，也可以作为计算机辅助诊断系统部署在社区医院或乡镇医院等缺少专业医生的场所。具体实施方式针对现有的心脏疾病检测方法对心脏疾病病理数据信息挖掘不足、心脏疾病检测的准确性低、无法分析连续心脏疾病动态信号等方面的不足，本申请专利技术人提取了心电数据、心电向量数据和心电非线性系统动态数据，构建心脏疾病的深度学习识别模型，并采用迁本文档来自技高网...

【技术保护点】
1.一种基于深度学习模型的心脏疾病检测方法，其特征在于，包括以下步骤：/n步骤1、获取样本数据集，所述样本数据集包括心电非线性系统动态数据；/n步骤2、构建特定心脏疾病的深度学习模型；/n步骤3、将步骤1获取的样本数据集输入到步骤2所述特定心脏疾病的深度学习模型进行训练，获得特定心脏疾病的深度学习识别模型。/n

【技术特征摘要】
1.一种基于深度学习模型的心脏疾病检测方法，其特征在于，包括以下步骤：
步骤1、获取样本数据集，所述样本数据集包括心电非线性系统动态数据；
步骤2、构建特定心脏疾病的深度学习模型；
步骤3、将步骤1获取的样本数据集输入到步骤2所述特定心脏疾病的深度学习模型进行训练，获得特定心脏疾病的深度学习识别模型。


2.根据权利要求1所述心脏疾病检测方法，其特征在于，步骤1所述样本数据集还包括心电向量数据；优选地，步骤1所述样本数据集还包括心电数据。


3.根据权利要求1所述心脏疾病检测方法，其特征在于，步骤2中所述特定心脏疾病的深度学习识别模型包括卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。


4.根据权利要求1所述心脏疾病检测方法，其特征在于，还包括步骤4：采集待测人员的心电数据、和/或心电向量数据、和/或心电非线性系统动态数据，将待测人员的心电数据、和/或心电向量数据、和/或心电非线性系统动态数据输入到步骤3中所述特定心脏疾病的深度学习识别模型，得到待测人员的心脏疾病检测结果：待测人员的心电数据的特定心脏疾病的深度学习识别模型输出结果、和/或心电向量数据的特定心脏疾病的深度学习识别模型输出结果、和/或心电非线性系统动态数据的特定心脏疾病的深度学习识别模型输出结果。


5.根据权利要求4所述心脏疾病检测方法，其特征在于，步骤4所述待测人员的心脏疾病检测结果还包括：选取待测人员的心电数据的特定心脏疾病的深度学习识别模型输出结果、心电向量数据的特定心脏疾病的深度学习识别模型输出结果、和心电非线性系统动态数据的特定心脏疾病的深度学习识别模型输出结果中的至少两种用于所述特定心脏疾病检测时，需赋以适应特定心脏疾病的权重值。


6.一种基于深度学习模型的心脏疾病检测方法，其特征在于，包括以下步骤：
步骤1...

【专利技术属性】
技术研发人员：王云霞，何毅钒，
申请(专利权)人：上海图灵医疗科技有限公司，
类型：发明
国别省市：上海;31